論文の概要: OCELOT: Planetary-Scale Species Distribution Modeling with Satellite Foundation Embeddings
- arxiv url: http://arxiv.org/abs/2611.00284v1
- Date: Fri, 30 Oct 2026 19:05:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:45:37.428192
- Title: OCELOT: Planetary-Scale Species Distribution Modeling with Satellite Foundation Embeddings
- Title(参考訳): OCELOT:衛星埋め込みを用いた惑星規模の種分布モデリング
- Abstract要約: 大規模な記録記録には世界中から数十億件の事件記録が残されているが、これらの発見は人間に近づきやすい地域に多い。
我々は、宇宙座標と衛星基礎の埋め込みを融合するネットワークを、以前の研究よりも2つの順序で訓練する。
結果として得られたモデルは、確立されたベンチマークで既存のベースラインと一致または性能を向上し、地理的外挿の最適化が分配精度を損なうことはないことを示した。
- 参考スコア(独自算出の注目度): 2.9985110192565023
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-scale repositories of species observations now contain billions of occurrence records from around the world, but these sightings cluster heavily in human-accessible areas. Existing models use only a small fraction of these records and are not evaluated on extrapolating to remote, unvisited regions--where species distribution models can be used as geographic priors to help classify data from camera traps and acoustic recorders. We scale relative occurrence species distribution models by training a multimodal implicit neural representation network called OCELOT that fuses spatial coordinates with satellite foundation embeddings on two orders of magnitude more observations than previous work: 2 billion GBIF records across 100,000 taxa. Scaling to this regime requires co-designing the data pipeline, taxonomic representation, loss formulation, and model architecture: spatiotemporal thinning and sub-linear cell sampling correct for spatial redundancy and observer bias, while an additive taxonomic readout shares representations across species, genera, and families to improve predictions for rare taxa. To evaluate performance in remote areas, we benchmark geographic extrapolation using the NDCG metric on spatial block holdouts up to 600 km. Satellite foundation embeddings improve extrapolation by 51% over coordinate-only models and outperform classical bioclimatic rasters. The resulting model also matches or outperforms existing baselines on established interpolation benchmarks, demonstrating that optimizing for geographic extrapolation does not compromise in-distribution accuracy.
- Abstract(参考訳): 現在、大規模な種観測記録には、世界中の数十億件の発生記録が含まれているが、これらの発見は人間に近づきやすい地域に非常に集中している。
既存のモデルでは、これらのレコードのごく一部しか使用せず、リモートで視認されていない地域への外挿では評価されていない。
衛星基盤の埋め込みと空間座標を融合したOCELOTと呼ばれるマルチモーダル暗黙神経表現ネットワークをトレーニングすることにより、相対発生種分布モデルをスケールする。
この体制へのスケーリングには、データパイプライン、分類学的表現、損失の定式化、モデルアーキテクチャの共設計が必要である:空間的冗長性とオブザーバーバイアスに対して時空間スライニングとサブ線形細胞サンプリングが正しいのに対して、付加的な分類学的読み出しは、希少な分類の予測を改善するために種、属、家族間で表現を共有する。
遠隔地の性能を評価するため,NDCG測定値を用いて最大600kmの空間ブロックホールドアウトにおける地理的外挿をベンチマークした。
衛星基盤の埋め込みにより、座標のみのモデルと古典的な気候ラスターよりも51%の外挿が向上する。
結果として得られたモデルは、確立された補間ベンチマークで既存のベースラインと一致または性能を向上し、地理的外挿の最適化が分配精度を損なうことはないことを示した。
関連論文リスト
- MIND the Gap: A Geographic Implicit Neural Representation with Adjustable Spatial Scale [31.865495051867754]
地理的暗黙的ニューラル表現(INR)は、アンサンプされた場所で予測するためにスパースラベルと組み合わせられる座標ベースの埋め込みを提供する。
しかし、既存のINRは、大半がランダムなホールドアウトで評価されており、より大きな地理的ギャップをまたいで一般化する能力ははっきりしないままである。
トレーニング後の空間的粒度調整が可能な地理INRであるMatryoshka Implicit Neural Distillation (MIND)を紹介する。
論文 参考訳(メタデータ) (2026-09-21T22:11:50Z) - Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。
ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
論文 参考訳(メタデータ) (2026-07-06T16:32:25Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳(メタデータ) (2026-05-27T08:55:54Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳(メタデータ) (2025-11-21T07:25:49Z) - An Interpretable Implicit-Based Approach for Modeling Local Spatial Effects: A Case Study of Global Gross Primary Productivity [9.352810748734157]
地球科学では、観測されていない要因は非定常分布を示し、特徴と対象の関係が空間的不均一性を示す。
地理的機械学習タスクでは、従来の統計学習手法は空間的不均一性を捉えるのに苦労することが多い。
我々は、深層ニューラルネットワークを用いた空間差と並行して、異なる場所で共通する特徴を同時にモデル化する、新しい視点を提案する。
論文 参考訳(メタデータ) (2025-02-10T05:44:54Z) - Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。
我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。
また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
論文 参考訳(メタデータ) (2024-10-14T17:22:55Z) - Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。
従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。
本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文 参考訳(メタデータ) (2023-06-05T03:36:01Z) - Multi-Scale Representation Learning for Spatial Feature Distributions
using Grid Cells [11.071527762096053]
本研究では,位置の絶対位置と空間的関係を符号化するスペース2Vecという表現学習モデルを提案する。
その結果、Space2Vecはマルチスケール表現のため、確立されたMLアプローチよりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-02-16T04:22:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。